腾讯混元世界模型1.5深度实测：输入文字即可畅游3D世界，国产空间智能迎来里程碑

还记得不久前李飞飞团队展示的「3D世界生成模型」吗？那个仅凭文字或图片就能构建可交互三维空间的AI技术，一度刷爆科技圈。现在，国产版本终于正式落地。 

就在上周腾讯官宣姚顺雨加盟的新闻余温未散时，腾讯混元团队低调上线了 世界模型 1.5（TencentHY WorldPlay） ，这是 国内首个开放公众体验的实时世界模型 。 

究竟什么是世界模型？用最直观的方式解释：你只需输入几句话或者上传一张图，AI就能在几秒内为你生成一个可以「走进去互动」的虚拟世界。它并非只能观看的预渲染视频，而是可以用键盘、鼠标甚至手柄实时操控的连贯3D空间。 

根据首帧图片场景生成的游戏场景

本次版本的核心突破体现在三个方面 ：

• 实时高清流式生成：依托原创的Context Forcing蒸馏方案与流式推理优化，模型能以24 FPS的帧率稳定输出720P高清视频，几乎感觉不到延迟；
• 分钟级几何一致性：通过重构记忆机制（Reconstituted Memory），模型可在长达数分钟的内容中保持场景几何结构、光影关系的连贯，为构建高质量3D空间模拟器打下基础；
• 多风格多视角适配：无论是游戏卡通、写实摄影还是抽象艺术，无论是第一人称还是第三人称，模型都能灵活适应，并且支持实时文本触发事件、视频续写等交互功能。

技术名词或许有些抽象，下面APPSO就带你亲手体验——创造一些只存在于你想象中的「世界」。 

在线体验网站：https://3d.hunyuan.tencent.com/sceneTo3D?tab=worldplay

文字→世界：成为虚拟世界的「造物主」 

打开页面，首先映入眼帘的是一台复古电视机的拟物化界面。这让我想起童年守在电视机前等动画片的时光——频道是固定的，节目是编排好的，遥控器换台也跳不出预设的框架。 

但今天，你不再需要等待晚间黄金档，也不再依赖导演和后期。你就是这个世界唯一的编剧和导演。想体验悬空的过山车？敲几个字，世界即刻呈现；想重返千禧年跨年夜？描述几个细节，时光瞬间倒流。 

一个极速飞驰的过山车，手握冰凉的金属扶手，有呼啸的风灌进喉咙，一阵失重感突然袭来，还有快速掠过的模糊树影，以及头顶刺眼的阳光，第一视角体验很刺激，写实风格

一个极速飞驰的过山车，手握冰凉的金属扶手，有呼啸的风灌进喉咙，一阵失重感突然袭来，还有快速掠过的模糊树影，以及头顶刺眼的阳光，第一视角体验很刺激，写实风格

点击生成后，等待大约5到8秒，画面便铺满屏幕。第一人称视角下的过山车轨道、红色座椅漆面的光泽、金属扶手上的细微划痕，甚至双手皮肤的纹理和骨节都清晰可辨。按下↑键，画面向后流动——虽然两侧的树影偶尔出现轻微变形，但考虑到这是实时生成而非预渲染，其表现已相当惊艳。 

一辆狂飙突进的雪地摩托，冻得发麻的金属车把攥在掌心，锋利的雪粒砸进脸颊，一阵失重感猛地翻涌上来，还有飞速掠过的模糊林影，以及头顶冷冽的碎雪天光，第一视角体验 

有趣的是，当生成雪地摩托场景时，画面会先呈现一个「冻结瞬间」——飞雪、树影、天光全部静止，仿佛世界在你降临的那一刻屏住了呼吸。你可以自由转动视角，仔细观察扬雪的形状、金属车把的霜痕。起初我以为这是Bug，但很快意识到，这种设计让用户得以从容地「阅读」一个全新世界的细节，反而增强了探索的仪式感。 

一个热闹的千禧年跨年夜场景，街头有磁带摊，人们举着彩色气球围在广场倒计时，路边门店的CRT电视播放着跨年晚会，突然绽放的烟花照亮夜空，复古风格 

如果你是80后、90后，这个场景绝对值得一试。毕竟，在智能手机尚未普及的千禧年，几乎没有人能留下动态的跨年记录。当镜头从磁带摊转向右侧的老式电视机时，路灯、人群和建筑物的相对位置保持稳定，证明模型对三维空间的全局理解相当可靠。不过，磁带架上的物品远观色彩斑斓，近看则缺乏清晰边缘，这是当前生成式模型共有的「软边缘」特征。 

测试完怀旧主题，我决定满足一下自己的幻想——生成一套梦寐以求的海景豪宅。 

房间的主色调是浅蓝与白沙色，地面铺着仿贝壳肌理的哑光瓷砖，窗边有个浅灰色的亚麻沙发。落地玻璃窗没有任何遮挡，将窗外的海景框成一幅流动的画

这是一段接近180度的全景扫视。模型在处理大跨度视角切换时，窗框、立柱和天花板的直线毫无扭曲，表现出极佳的三维空间一致性。虽然现实中买不起海景房，但至少在AI生成的世界里，可以提前预览未来家的样子。 

让《千里江山图》「活」起来 

除了文字生成，混元世界模型还支持 「单图生成场景」。不过上传图片有几点小技巧： 

检查分辨率： 1280×704 ~ 4k×4k。若是专业相机拍摄的大尺寸原图，建议压缩至10MB以下；

避开竖屏图： 手机纵向照片不符合要求，建议裁剪为横向。 

视频续写：根据首帧图片场景生成

我决定做一个大胆的尝试：上传北宋王希孟《千里江山图》的局部。 

这幅青绿山水由18岁的少年天才绘制，层峦叠嶂，意境悠远。我想看看，硅基智能能否理解千年前的碳基审美。 

画面生成的一刻，我几乎屏住呼吸。AI不仅保留了原画青绿设色与皴法笔意，还通过3D化处理将静态山水转化为可漫游的立体空间。站在AI还原的山峦之间，仿佛真的穿越回了北宋的写生现场。 

这个案例证明，世界模型或许能让艺术品不再只是「被欣赏」，而是成为「可游历」的精神居所。 

实时触发事件：一句话改变世界 

世界模型最迷人的功能，莫过于实时事件触发。你只需输入一句话，等待5秒钟，世界的天气、光照甚至物理规则就会按照你的意愿改变。 

不妨来体验一把「霸道总裁」的感觉。 

这不是生硬的场景切换，而是平滑的渐变——天色由亮转暗，阴影缓缓拉长，甚至路灯依次亮起。这种光影的细腻过渡，让虚拟世界真正「活」了起来。 

爆炸产生的高亮度橙色火光实时地反射在水面上，效果非常自然，不过细看之下还是会有些小瑕疵。 

例如在如此剧烈的爆炸发生后，近处水面竟毫无波动——显然，模型对物理规律的模拟还有提升空间。 

看完实测，你可能好奇背后的技术原理。 

腾讯混元团队的技术报告显示，传统扩散模型生成视频时需要完整去噪整个画面再输出，导致高延迟且无法实时响应用户操作。而此次采用的流式DiT（扩散变换器）架构，能够像流媒体一样边接收手柄控制信号边瞬时去噪并解码成画面，从而实现了几乎无卡顿的实时操控体验。 

另一个世界模型的通病是「健忘」——当你让模型生成一个客厅，离开视角再回来，它可能又生成一个完全不同的客厅。混元团队通过Context Forcing机制，强制模型记住已生成的几何结构、光影关系和物体位置，相当于给模型加上了短期记忆，确保长时间探索下的3D一致性。 

体验完混元世界模型，我的脑海里反复回响起李飞飞的那句话：「人类智能的核心不是语言，而是对三维空间的理解和操作能力。」

过去两年，大语言模型席卷全球，ChatGPT、Claude、Gemini让我们惊叹于AI的语言天赋。但冷静下来想：会聊天的AI，真的理解我们所处的世界吗？

它不知道一张桌子有多高，不知道从客厅到厨房需要转几个弯，不知道杯子掉在地上会如何碎裂…… 

语言智能，让AI学会了「说」；空间智能，才能让AI学会「做」。

这正是Google、Meta、OpenAI、腾讯纷纷押注世界模型的原因。它并非一个更酷的视频生成工具，而是通往通用人工智能（AGI）的关键阶梯。 

回想《我的世界》（Minecraft）刚发布时，很多人不解：「这有什么好玩的？」 

十几年后，Minecraft已成为全球最成功的游戏之一。它靠的不是顶尖画质，而是赋予每一个玩家创造世界的自由。 

今天的世界模型，在流畅度和交互深度上仍有进步空间。但它已经向我们展示了一种未来的可能：每个人都能成为造物主。

亲自试试，然后回来告诉我，你创造了什么样的世界。